Credit risk modelling with intelligent systems

Táto práca sa zaoberá modelovaním kreditného rizika využitím relatívne nových možností, ktoré ponúka umelá inteligencia. V práci sú popisované neurónové siete a support vector machines (SVM), ktoré sú hlavnými predstaviteľmi a zároveň najpopulárnejšími metódami strojového učenia. Inteligentnými sa rozumejú systémy, ktoré nejakým spôsobom imitujú procesy (väčšinou v prírode), ktoré možno chápať ako inteligentné. Tieto systémy sú porovnané oproti metóde logistickej regresie a rozpracované pre potreby riešenia úloh binárnej klasifikácie pri hodnotení kreditného rizika. Na záver sú modely aplikované na dátovú množinu nemeckých spotrebiteľských úverov a vzájomne porovnané.

The thesis deals with the modelling of credit risk by using the relatively new possibilities developed within the framework of artificial intelligence. Neural networks and support vector machines are described here as the most prominent and popular representatives of machine learning methods. The system is called intelligent if it imitates certain processes (especially in nature) that could be considered as intelligent (such as evolution ...). These systems are then compared with the logistic regression and elaborated for the binary classification problem tasks occurring in credit risk assessment. At the end, models are applied on the German credit data set, thus measuring and comparing their performances on the real data set.